[10]。通過對模型測試集評估分析可得到以下結論：從混淆矩陣圖可以看出，模型的測試集驗證準確率為87%，處理分類圖像方面很出色，并且整體測試集的精確度到達83%，但是還有個少數(shù)類別的檢測評估指標不是很高，比如瓶身破損的召回率和f1分數(shù)很差。穩(wěn)定性：模型在后期訓練中準確率穩(wěn)定在較高水平，說明模型具有較好的穩(wěn)定性和泛化能力，可以較好地應用于實際場景中的瓶裝白酒瓶瑕疵檢測任務。通過分析實驗結果，基于ResNet的瓶裝白酒瓶瑕疵識別模型在訓練過程中表現(xiàn)出較好的性能和穩(wěn)定性，對于實際應用具有較高的可行性和效果。4.3VGG16模型訓練和驗證4.3.1模型訓練在模型訓練階段，對預訓練VGG16模型進行設置，獲取模型的最后一層的輸入特征維度，修改適應數(shù)據(jù)集的類別數(shù)量為13，模型的缺失值和優(yōu)化器以及準確率和其他兩個模型一樣，將模型放到gpu上訓練。訓練完成后保存訓練模型。將模型設置為評估模式，使用測試集評估模型并生成混淆矩陣圖。表4.3VGG16模型訓練準確率記錄表輪次（epoch）準確率（Accuracy）第1輪0.4851第5輪0.6603第15輪0.8064第21到100輪趨于0.81下圖為模型訓練后的準確率可視化散點圖5.2。圖5.2VGG16模型準確率圖4.3.2模型評估下圖為VGG16模型測試集驗證混淆矩陣圖（圖5.3）：圖5.3模型測試驗證混淆矩陣熱力圖4.3.3實驗結果分析研究在模型訓練完成后，對模型在測試集上的表現(xiàn)進行了評估，通過將模型對測試集中的圖像進行預測并與實際標簽進行比較，得出了模型在每個類別上的預測準確率，召回率和F1分數(shù)等指標，對模型的總體表現(xiàn)進行綜合計算，得出模型在測試集上的總體準確率達到了81%。研究以模型的整體準確率為基礎，在瓶裝白酒瓶瑕疵品檢測任務中取得了較高的分類準確性。這說明模型能夠有效地識別出不同類型的瑕疵品，并對其準確進行分類。另外，通過分析模型在不同類別上的分類性能，研究對其優(yōu)點和不足有了進一步的認識，從而對其進行了有針對性的優(yōu)化和改進。本研究為模型的進一步改進提供了有益的借鑒。模型在大多數(shù)類別上的預測準確率較高，表明模型在多類別圖片的分類性能非常出色。通過對模型測試集評估分析可得到以下結論：VGG16模型在極少圖片分類能力也很強，類別瓶身破損的圖片是最少的，只有11張，但是精確度達到了80%，召回率為36%，f1分數(shù)為50%。從測試集分類的標簽整體而言，模型在測試集上的預測準確率達到了82%。模型適用于大數(shù)據(jù)模型，從模型訓練上看，所用時間是最多的，但是處理數(shù)據(jù)分類問題上，VGG16更加仔細，雖然沒有ResNet50模型準確率高，但可以識別出每一個瑕疵類型?；赩GG的深度學習模型已經(jīng)在瓶裝白酒瓶的瑕疵檢測任務中獲得了令人滿意的表現(xiàn)。絕大多數(shù)瑕疵識別準確度都很高，在分類上表現(xiàn)出不錯的表現(xiàn)。但仍有一些標簽的辨識度表現(xiàn)相對較弱，可能需要增加較少標簽數(shù)量，并進行優(yōu)化改進，使其在性能上有更大的提升。另外，對于精確度不高的品類，提升模型的分類效果可能需要更多的樣本數(shù)據(jù)或針對性的訓練策略。觀察代碼結束后生成后的數(shù)據(jù)圖像等結果比較模型。4.4模型性能比較模型得出結果后，神經(jīng)網(wǎng)絡模型對瓶裝白酒瓶瑕疵品檢測進行分析可得出一些結論。神經(jīng)網(wǎng)絡模型LeNet-5、ResNet50、VGG16三種神經(jīng)網(wǎng)絡模型對比如下表6.1。表5.1模型測試集評估對比測試集評估準確率（accurary）精確度（precision）召回率（Recall）F1值(F1-score)LeNet-5模型0.540.370.370.32ResNet50模型0.860.830.780.77VGG16模型0.820.760.750.74對三種模型通過100批次訓練，得到三種模型的測試集評估指標。從整體來看，ResNet50模型在四個指標中是表現(xiàn)最好，其次是VGG16模型，LeNet-5模型在所有指標上較差，特別是精確度和召回率。從召回率分析ResNet50和VGG16之間對比，ResNet50模型評估多了0.03。分析可能是ResNet50模型可以通過網(wǎng)絡捕獲更復雜的圖像特征。這就意味著ResNet50模型會比VGG16更能識別正類特征。在做瓶裝白酒瓶瑕疵分類問題上選擇ResNet模型是最優(yōu)解。但在實際問題中考慮的問題，如應用需求、資源的可用性等，可能需要額為的調(diào)參及優(yōu)化。讓評估性能的指標之間達到最佳平衡。

第5章總結與展望5.1研究總結論文撰寫過程中，先下載數(shù)據(jù)集，對數(shù)據(jù)集進行分析并且可視化數(shù)據(jù)集。觀察圖片之間的不同以及每個圖片存在著那些瑕疵。對這些瑕疵進行分類，清洗，對圖片也進行相關操作。圖片劃分過程中是最難的，要保證訓練集和測試機的json文件要對應上劃分圖片。下一步就是對圖像進行預處理，使用pytorch環(huán)境對數(shù)據(jù)進行增強處理。定義模型以及修改模型參數(shù)。并訓練模型在gpu上進行運行。尋找錯誤，并優(yōu)化代碼。本研究通過LeNet-5、ResNet50、VGG16三種深度學習模型在瓶裝白酒瓶瑕疵品檢測分析與應用。通過對模型的訓練與測試集評估。得到以下結論：LeNet-5模型在本研究任務中的表現(xiàn)較差，在測試集上的整體準確率在53%，這是因為LeNet-5的網(wǎng)絡較淺，無法識別捕獲圖像中的復雜特征。但識別特別分類瑕疵酒液雜質(zhì)較好，這表明LeNet在特定任務中具有一定的價值。ResNet50模型表現(xiàn)出色，無論是在測試集整體準確率達到86%，召回率等評估值。ResNet50具有更深的網(wǎng)絡，能夠捕獲到圖像更復雜的特征。模型的學習率動態(tài)調(diào)整機制對訓練有很大幫助，使模型有著更精確的收斂能力。VGG16模型在瑕疵檢測上表現(xiàn)的也不錯。測試集整體準確率達到82%，雖然稍遜于ResNet50模型。但在處理大模型方面表現(xiàn)出色。能夠更仔細處理分類問題。5.2展望本研究雖然取得了一些成果，但還有許多改進的地方。計劃進一步優(yōu)化和改進我的模型，以提高瑕疵檢測的準確性和效率。將繼續(xù)完善并提高我的模塊,以增加瑕疵測試的精度與效果。我將嘗試更多的數(shù)據(jù)增強方法,以提高模塊的泛化程度。另外,還將研究更多的神經(jīng)網(wǎng)絡結構,以找出更適合處理瓶裝白酒瑕疵品檢測任務的新模型。還將研究更多的神經(jīng)網(wǎng)路結構,以找出更適合處理瓶裝白酒瑕疵品檢測任務的新模型。

參考文獻李東旭.基于機器視覺的白酒瓶瓶口缺陷在線檢測系統(tǒng)[D].沈陽工業(yè)大學,2019.姚琳華.玻璃酒瓶包裝缺陷檢測技術的研究[D].電子科技大學,2022.DOI:10.27005/ki.gdzku.2021.004654.陳敏.白酒包裝質(zhì)量檢驗創(chuàng)新因素分析[J].中國高新區(qū),2018,000(011):25-26.高林,張玉蓉,李升凱,朱慶港,姜旭輝.基于改進級聯(lián)R-CNN的酒瓶瑕疵檢測[J].計算機工程與設計,2022,043(002):434-442.段祿成,譚保華,余星雨.基于改進YOLOv3的酒瓶蓋瑕疵檢測算法[J].電子測量技術,2022,045(015):130-137.車璇,朱文忠,李韜,等.基于改進RetinaNet的白酒瓶蓋缺陷檢測方法[J].國外電子測量技術,2023,42(04):173-180.DOI:10.19652/ki.femt.2304653.厲原通.面向目標識別的深度學習模型理解方法研究[D].哈爾濱工程大學,2020.DOI:10.27060/ki.ghbcu.2020.001885.丁一凡.基于卷積神經(jīng)網(wǎng)絡的車輛行人檢測模型的研究[D].重慶郵電大學,2019.DOI:10.27675/ki.gcydx.2019.001026.賀強.深度神經(jīng)網(wǎng)絡在視頻行為識別中的應用研究[D].電子科技大學,2019.何彬.基于卷積神經(jīng)網(wǎng)絡的面料圖像檢索研究[D].東華大學,2021.DOI:10.27012/ki.gdhuu.2021.000098.王鵬,孫東平,孫佳.基于深度卷積生成對抗網(wǎng)絡樣本生成的外觀瑕疵檢測方法:201811278762[P][2023-11-02].邵志敏,張意,張衛(wèi)華等，基于機器視覺的瓶裝白酒雜質(zhì)檢測[J].四川大學學報(自然科學版),2019,56(02):235-240.尹麗娜.酒瓶表面印刷缺陷視覺檢測技術的研究[D].湖南大學,2018.DOI:CNKI:CDMD:2.1018.139155.亓寧寧,常敏,劉雨翰.基于機器視覺的玻璃缺陷檢測[J].光學儀器,2020,42(01):25-31.文莉莉,孫苗,鄔滿.基于注意力機制和FasterR-CNN深度學習的海洋目標識別模型[J].[2023-11-02].史磊;荊明娥;范益波;曾曉洋.\o"基于R-CNN算法的分割檢測算法"基于R-CNN算法的分割檢測算法[J].\o"復旦學報(自然科學版)"復旦學報(自然科學版),\o"2020(04)"2020(04)陳華,董向輝,辛明海等.一種化妝品瓶蓋瑕疵檢測系統(tǒng)[P].福建?。篊N111650215B,2023-02-14.許勝寶;鄭飂默;袁德成.基于改進級聯(lián)R-CNN的面料疵點檢測方法[J].現(xiàn)代紡織技術,2022(02)管淼.基于智能學習算法的布匹瑕疵檢測方法研究[D].蘇州大學,2020.DOI:10.27351/ki.gszhu.2019.000480.Enri